AdaCount: Training-Free Similarity-Guided Spatial and Feature Adaptation for Zero-Shot Object Counting

📄 arXiv: 2607.02139v1 📥 PDF

作者: Muhammad Ibraheem Siddiqui, Muhammad Haris Khan

分类: cs.CV

发布日期: 2026-07-02

备注: technical report

💡 一句话要点

提出AdaCount以解决零-shot目标计数中的实例分离问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 零-shot目标计数 相似性引导 空间适应 特征调制 无训练方法 实例分离 计算机视觉

📋 核心要点

  1. 现有的无训练方法在密集场景中容易漏掉小物体实例，导致计数不准确。
  2. AdaCount通过相似性引导的空间和特征适应，提升了目标实例的表示能力，避免了模型重训练。
  3. 在六个计数基准上，AdaCount的表现超越了现有的无训练ZOC方法，成为新的SOTA。

📝 摘要（中文）

零-shot目标计数（ZOC）旨在通过文本提示计数任意物体类别的实例。近期的无训练方法利用基础模型如SAM，将计数重新构建为基于提示的分割任务，消除了对昂贵的计数特定训练数据的需求。然而，SAM3在密集场景中表现不佳，容易漏掉小物体实例。为了解决这一问题，本文提出了AdaCount，一个基于相似性引导的空间和特征适应的无训练框架。AdaCount首先估计原型驱动的相似性图，识别目标相关区域，并引导相似性引导的空间扭曲和特征调制，从而提高目标实例的表示能力。实验表明，AdaCount在六个不同的计数基准上达到了新的SOTA。

🔬 方法详解

问题定义：本文旨在解决零-shot目标计数中，现有方法在密集场景下对小物体实例的漏计和实例分离不佳的问题。现有的SAM3在这些场景中由于图像分辨率和注意力不足，导致计数准确性降低。

核心思路：AdaCount的核心思路是通过相似性引导的空间和特征适应，优化目标实例的表示能力。通过估计相似性图，识别目标相关区域，从而提升计数准确性。

技术框架：AdaCount的整体架构包括两个主要模块：相似性图估计和适应模块。相似性图用于识别目标区域，适应模块则包括空间扭曲和特征调制，确保在不重训练模型的情况下增强目标实例的表示。

关键创新：最重要的创新点在于相似性引导的空间扭曲和特征调制，这与现有方法的直接分割不同，能够更有效地聚焦于目标实例，同时保留全局图像上下文。

关键设计：在设计中，采用了原型驱动的相似性图来引导适应过程，确保了目标相关区域的高分辨率表示。同时，特征调制通过增强编码器的目标相关表示，进一步提升了计数性能。实验中未提及具体的损失函数和网络结构细节，可能为未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在六个计数基准上，AdaCount的性能显著优于现有的无训练ZOC方法，成为新的SOTA。具体实验结果显示，AdaCount在密集场景中的计数准确率提升了XX%，相较于基线方法有显著改善。

🎯 应用场景

AdaCount在智能监控、无人驾驶、机器人视觉等领域具有广泛的应用潜力。其无训练的特性使得在新环境中快速部署成为可能，尤其适用于需要实时计数的场景。未来，该方法有望推动更多基于文本提示的视觉任务的发展。

📄 摘要（原文）

Zero-shot object counting (ZOC) aims to count instances of arbitrary object categories specified only through textual prompts. Recent training-free approaches leverage foundation models such as SAM to reformulate counting as a prompt-driven segmentation task, eliminating the need for costly counting-specific training data with point-level annotations. More recently, SAM3 introduced promptable concept segmentation, enabling the zero-shot segmentation of all instances corresponding to a text-defined concept. However, SAM3 struggles in densely populated scenes containing numerous small objects, where limited image resolution and insufficient attention to target-relevant regions often lead to missed instances and poor instance separation, hindering accurate object counting. To address this limitation, we propose AdaCount, a training-free framework for ZOC based on similarity-guided spatial and feature adaptation. AdaCount first estimates a prototype-driven similarity map that identifies target-relevant regions. This similarity map subsequently guides two complementary adaptations: (i) similarity-guided spatial warping, which reallocates image resolution toward target instances, and (ii) feature modulation, which amplifies target-relevant encoder representations. Together, these adaptations enable SAM3 to devote greater representational capacity to target-relevant regions while preserving global image context, without requiring any model retraining. Extensive experiments across six diverse counting benchmarks establish AdaCount as a new SOTA among training-free ZOC approaches.